Despliegue de los Resultados COLOMBIA

In [1]:
# Importar paquetes
import matplotlib.pyplot as plt
import datetime
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from fbprophet import Prophet
import warnings
warnings.filterwarnings('ignore')
import seaborn as sns
!pip install plotly
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import datetime as dt
from datetime import timedelta
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score,silhouette_samples
from sklearn.linear_model import LinearRegression,Ridge,Lasso
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error,r2_score
from sklearn.preprocessing import PolynomialFeatures
import statsmodels.api as sm
from statsmodels.tsa.api import Holt,SimpleExpSmoothing,ExponentialSmoothing
from statsmodels.tsa.stattools import adfuller
std=StandardScaler()
from pmdarima.arima import auto_arima
pd.set_option('display.float_format', lambda x: '%.6f' % x)
Requirement already satisfied: plotly in c:\users\itco10096\.conda\envs\apc\lib\site-packages (4.9.0)
Requirement already satisfied: retrying>=1.3.3 in c:\users\itco10096\.conda\envs\apc\lib\site-packages (from plotly) (1.3.3)
Requirement already satisfied: six in c:\users\itco10096\.conda\envs\apc\lib\site-packages (from plotly) (1.15.0)
In [2]:
dfCovid = pd.read_csv('https://www.datos.gov.co/api/views/gt2j-8ykr/rows.csv')
In [3]:
dfCovid.head(10)
Out[3]:
ID de caso Fecha de notificación Código DIVIPOLA Ciudad de ubicación Departamento o Distrito atención Edad Sexo Tipo Estado ... FIS Fecha de muerte Fecha diagnostico Fecha recuperado fecha reporte web Tipo recuperación Codigo departamento Codigo pais Pertenencia etnica Nombre grupo etnico
0 1 2020-03-02T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 19 F Importado Leve ... 2020-02-27T00:00:00.000 NaN 2020-03-06T00:00:00.000 2020-03-13T00:00:00.000 2020-03-06T00:00:00.000 PCR 11 380.000000 Otro NaN
1 2 2020-03-06T00:00:00.000 76111 Guadalajara de Buga Valle del Cauca Recuperado 34 M Importado Leve ... 2020-03-04T00:00:00.000 NaN 2020-03-09T00:00:00.000 2020-03-19T00:00:00.000 2020-03-09T00:00:00.000 PCR 76 724.000000 Otro NaN
2 3 2020-03-07T00:00:00.000 5001 Medellín Antioquia Recuperado 50 F Importado Leve ... 2020-02-29T00:00:00.000 NaN 2020-03-09T00:00:00.000 2020-03-15T00:00:00.000 2020-03-09T00:00:00.000 PCR 5 724.000000 Otro NaN
3 4 2020-03-09T00:00:00.000 5001 Medellín Antioquia Recuperado 55 M Relacionado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-26T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
4 5 2020-03-09T00:00:00.000 5001 Medellín Antioquia Recuperado 25 M Relacionado Leve ... 2020-03-08T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-23T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
5 6 2020-03-10T00:00:00.000 5360 Itagüí Antioquia Recuperado 27 F Relacionado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-26T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
6 7 2020-03-08T00:00:00.000 13001 Cartagena de Indias Cartagena D.T. y C. Recuperado 85 F Importado Leve ... 2020-03-02T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-17T00:00:00.000 2020-03-11T00:00:00.000 PCR 13 840.000000 Otro NaN
7 8 2020-03-09T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 22 F Importado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-21T00:00:00.000 2020-03-11T00:00:00.000 PCR 11 724.000000 Otro NaN
8 9 2020-03-08T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 28 F Importado Leve ... 2020-03-07T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-23T00:00:00.000 2020-03-11T00:00:00.000 PCR 11 724.000000 Otro NaN
9 10 2020-03-12T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 36 F Importado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-12T00:00:00.000 2020-03-21T00:00:00.000 2020-03-12T00:00:00.000 PCR 11 724.000000 Otro NaN

10 rows × 21 columns

In [4]:
# Modificar el tipo de datos para las variables de fechas.
dfCovid['Fecha de notificación']= pd.to_datetime(dfCovid['Fecha de notificación'])
dfCovid[ 'Fecha de muerte']= pd.to_datetime(dfCovid['Fecha de muerte'])
dfCovid['Fecha diagnostico']= pd.to_datetime(dfCovid['Fecha diagnostico'])
dfCovid['Fecha recuperado']= pd.to_datetime(dfCovid['Fecha recuperado'])
dfCovid['fecha reporte web']= pd.to_datetime(dfCovid['fecha reporte web'])
In [5]:
# Limpieza de los resultados para el atributo atención.
dfCovid['atención'].unique()
dfCovid['atención']= dfCovid['atención'].replace({'CASA':'Casa'})
dfCovid['atención']= dfCovid['atención'].fillna('No especifica')
In [6]:
fechas= sorted(pd.concat([dfCovid['Fecha de notificación'],dfCovid['Fecha diagnostico'],dfCovid['Fecha de muerte'],dfCovid['Fecha recuperado'],dfCovid['fecha reporte web']]).unique())
fechas=np.arange(min(fechas),max(fechas),np.timedelta64(86400000000000,'ns'))
dfCovid_Nuevo=pd.DataFrame({'Fecha':fechas})
dfCovid_Nuevo['Muertos']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo['Confirmados']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo['Recuperados']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo
Out[6]:
Fecha Muertos Confirmados Recuperados
0 2020-03-02 0.000000 0.000000 0.000000
1 2020-03-03 0.000000 0.000000 0.000000
2 2020-03-04 0.000000 0.000000 0.000000
3 2020-03-05 0.000000 0.000000 0.000000
4 2020-03-06 0.000000 0.000000 0.000000
... ... ... ... ...
182 2020-08-31 0.000000 0.000000 0.000000
183 2020-09-01 0.000000 0.000000 0.000000
184 2020-09-02 0.000000 0.000000 0.000000
185 2020-09-03 0.000000 0.000000 0.000000
186 2020-09-04 0.000000 0.000000 0.000000

187 rows × 4 columns

Despliegue de los resultados Colombia

In [7]:
# Se filtra por la ciudad de interés
#x=dfCovid[dfCovid['Ciudad de ubicación']=='Medellín'].sort_values(by='Fecha de muerte',ascending=False)
x=dfCovid
x=x[['ID de caso','atención','fecha reporte web','Fecha de muerte','Fecha de notificación','Fecha diagnostico','Fecha recuperado']]
x=dfCovid
In [8]:
# Se construye el Data Set Covid-19

#Conteo de muertos
m=x[x['atención']=='Fallecido'].groupby('Fecha de muerte').count()
m=pd.DataFrame({'Fecha':m.index.values,'Muertos':[n for n in m.values[:,0]]})

#Conteo de Confirmados
c=x.groupby('Fecha de notificación').count()
c=pd.DataFrame({'Fecha':c.index.values,'Confirmados':[n for n in c.values[:,0]]})

#Conteo Recuperados
r=x.groupby('Fecha recuperado').count()
r=pd.DataFrame({'Fecha':r.index.values,'Recuperados':[n for n in r.values[:,0]]})

df_Nuevo=pd.concat([dfCovid_Nuevo,c,m,r])
df_Nuevo.sort_values(by='Fecha',ascending=True)
df_Nuevo=df_Nuevo.groupby('Fecha').sum().sort_values(by='Fecha',ascending=True)

def acum(df,Col):
    m=df[Col].values
    d=0
    L=[]
    for n in m:
        d=d+n
        L.append(d)
    return L

df_Nuevo['Acum_muertos']=acum(df_Nuevo,'Muertos')
df_Nuevo['Acum_confirmados']=acum(df_Nuevo,'Confirmados')
df_Nuevo['Acum_Recuperados']=acum(df_Nuevo,'Recuperados')
df_Nuevo['Acum_Activos']=df_Nuevo['Acum_confirmados']-df_Nuevo['Acum_Recuperados']-df_Nuevo['Acum_muertos']
df_Nuevo
Out[8]:
Muertos Confirmados Recuperados Acum_muertos Acum_confirmados Acum_Recuperados Acum_Activos
Fecha
2020-03-02 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 1.000000
2020-03-03 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000
2020-03-04 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000
2020-03-05 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000
2020-03-06 0.000000 1.000000 0.000000 0.000000 2.000000 0.000000 2.000000
... ... ... ... ... ... ... ...
2020-09-01 195.000000 3482.000000 10227.000000 20637.000000 654828.000000 469755.000000 164436.000000
2020-09-02 175.000000 2422.000000 9825.000000 20812.000000 657250.000000 479580.000000 156858.000000
2020-09-03 169.000000 789.000000 9619.000000 20981.000000 658039.000000 489199.000000 147859.000000
2020-09-04 141.000000 399.000000 9100.000000 21122.000000 658438.000000 498299.000000 139017.000000
2020-09-05 34.000000 18.000000 9476.000000 21156.000000 658456.000000 507775.000000 129525.000000

189 rows × 7 columns

ANÁLISIS EXPLORATORIO DE DATOS

In [9]:
print("Estructura del dataset: ",df_Nuevo.shape)
print("Variables con valores nulos",df_Nuevo.isnull().sum())
print("Tipo de variables del dataset",df_Nuevo.dtypes)
Estructura del dataset:  (189, 7)
Variables con valores nulos Muertos             0
Confirmados         0
Recuperados         0
Acum_muertos        0
Acum_confirmados    0
Acum_Recuperados    0
Acum_Activos        0
dtype: int64
Tipo de variables del dataset Muertos             float64
Confirmados         float64
Recuperados         float64
Acum_muertos        float64
Acum_confirmados    float64
Acum_Recuperados    float64
Acum_Activos        float64
dtype: object
In [10]:
print("Información Básica")
df_Nuevo.iloc(0)[-1]
Información Básica
Out[10]:
Muertos                34.000000
Confirmados            18.000000
Recuperados          9476.000000
Acum_muertos        21156.000000
Acum_confirmados   658456.000000
Acum_Recuperados   507775.000000
Acum_Activos       129525.000000
Name: 2020-09-05 00:00:00, dtype: float64
In [11]:
df_Nuevo["WeekOfYear"]=df_Nuevo.index.weekofyear

week_num=[]
weekwise_confirmed=[]
weekwise_recovered=[]
weekwise_deaths=[]
weekwise_active=[]
w=1
for i in list(df_Nuevo["WeekOfYear"].unique()):
    weekwise_confirmed.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_confirmados"].iloc[-1])
    weekwise_recovered.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_Recuperados"].iloc[-1])
    weekwise_deaths.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_muertos"].iloc[-1])
    weekwise_active.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_Activos"].iloc[-1])
    week_num.append(w)
    w=w+1

fig=go.Figure()
fig.add_trace(go.Scatter(x=week_num, y=weekwise_confirmed,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos confirmados'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_recovered,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos recuperados'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_deaths,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos de muerte'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_active,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos Activos'))
fig.update_layout(title="Crecimiento semanal de diferentes tipos de casos en Colombia",
                 xaxis_title="Número de semanas",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [12]:
fig, (ax1,ax2) = plt.subplots(1, 2,figsize=(15,5))
sns.barplot(x=week_num,y=pd.Series(weekwise_confirmed).diff().fillna(0),ax=ax1)
sns.barplot(x=week_num,y=pd.Series(weekwise_deaths).diff().fillna(0),ax=ax2)
ax1.set_xlabel("Número de semanas")
ax2.set_xlabel("Número de semanas")
ax1.set_ylabel("Número de casos confirmados")
ax2.set_ylabel("Número de casos de fallecidos")
ax1.set_title("Aumento semanal del número de casos confirmados en Colombia")
ax2.set_title("Aumento semanal del número de casos de muerte en Colombia")
Out[12]:
Text(0.5, 1.0, 'Aumento semanal del número de casos de muerte en Colombia')

Tasa de crecimiento de los casos confirmados, recuperados y de muerte

In [13]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"],
                    mode='lines+markers',
                    name='Casos confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"],
                    mode='lines+markers',
                    name='Casos Recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"],
                    mode='lines+markers',
                    name='Casos de muertes'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"],
                    mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Crecimiento de los diferentes tipos de casos en Colombia",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()

Análisis de la tasa de moralidad y recuperación

In [14]:
df_Nuevo["Tasa de mortalidad"]=(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_confirmados"])*100
df_Nuevo["Tasa de Recuperacion"]=(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_confirmados"])*100
df_Nuevo["Casos Cerrados"]=df_Nuevo["Acum_Recuperados"]+df_Nuevo["Acum_muertos"]

print("Tasa de mortalidad media",df_Nuevo["Tasa de mortalidad"].mean())
print("Tasa de mortalidad media",df_Nuevo["Tasa de mortalidad"].median())
print("Promedio de la tasa de recuperación",df_Nuevo["Tasa de Recuperacion"].mean())
print("Tasa de recuperación media",df_Nuevo["Tasa de Recuperacion"].median())

#Plotting Mortality and Recovery Rate 
fig = make_subplots(rows=2, cols=1,
                   subplot_titles=("Tasa de Recuperacion", "Tasa de mortalidad"))
fig.add_trace(
    go.Scatter(x=df_Nuevo.index, y=(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_confirmados"])*100,name="Tasa de Recuperacion"),
    row=1, col=1
)
fig.add_trace(
    go.Scatter(x=df_Nuevo.index, y=(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_confirmados"])*100,name="Tasa de mortalidad"),
    row=2, col=1
)
fig.update_layout(height=1000,legend=dict(x=-0.1,y=1.2,traceorder="normal"))
fig.update_xaxes(title_text="Fecha", row=1, col=1)
fig.update_yaxes(title_text="Tasa de Recuperacion en Colombia", row=1, col=1)
fig.update_xaxes(title_text="Fecha", row=1, col=2)
fig.update_yaxes(title_text="Tasa de mortalidad en Colombia", row=1, col=2)
fig.show()
Tasa de mortalidad media 2.7880594168325152
Tasa de mortalidad media 3.065044454843238
Promedio de la tasa de recuperación 29.052305388873837
Tasa de recuperación media 29.82128668541664
In [15]:
print("Aumento medio del número de casos confirmados cada día en Colombia: ",np.round(df_Nuevo["Acum_confirmados"].diff().fillna(0).mean()))
print("Aumento medio del número de casos recuperados cada día en Colombia: ",np.round(df_Nuevo["Acum_Recuperados"].diff().fillna(0).mean()))
print("Aumento promedio del número de casos de muerte cada día en Colombia: ",np.round(df_Nuevo["Acum_muertos"].diff().fillna(0).mean()))
print("Aumento promedio del número de casos de activos cada día en Colombia: ",np.round(df_Nuevo["Acum_Activos"].diff().fillna(0).mean()))

fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"].diff().fillna(0),mode='lines+markers',
                    name='Casos de confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"].diff().fillna(0),mode='lines+markers',
                    name='Casos de recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"].diff().fillna(0),mode='lines+markers',
                    name='Casos de Muerte'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"].diff().fillna(0),mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Aumento diario de los diferentes tipos de casos en Colombia",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
Aumento medio del número de casos confirmados cada día en Colombia:  3484.0
Aumento medio del número de casos recuperados cada día en Colombia:  2687.0
Aumento promedio del número de casos de muerte cada día en Colombia:  112.0
Aumento promedio del número de casos de activos cada día en Colombia:  685.0
In [16]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Fallecidos'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Media móvil por cada 7 días de los casos confirmados, recuperados y de muerte en Colombia",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [17]:
print("Promedio de crecimiento medio del número de casos confirmados en Colombia: ",(df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift()).mean())
print("Mediana de crecimiento medio del número de casos confirmados en Colombia: ",(df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift()).median())
print("Promedio de crecimiento medio del número de casos recuperados en Colombia: ",(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift()).mean())
print("Mediana de crecimiento medio del número de casos recuperados en Colombia: ",(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift()).median())
print("Promedio de crecimiento medio del número de casos de muerte en Colombia: ",(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift()).mean())
print("Mediana de crecimiento medio del número de casos de muerte en Colombia: ",(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift()).median())

fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos de muerte'))
fig.update_layout(title="Factor de crecimiento en función de la fecha de los diferentes tipos de casos en Colombia",
                 xaxis_title="Fecha",yaxis_title="Factor de crecimiento",
                 legend=dict(x=0,y=-0.4,traceorder="normal"))
fig.show()
Promedio de crecimiento medio del número de casos confirmados en Colombia:  1.0805407178098996
Mediana de crecimiento medio del número de casos confirmados en Colombia:  1.0415248820501821
Promedio de crecimiento medio del número de casos recuperados en Colombia:  inf
Mediana de crecimiento medio del número de casos recuperados en Colombia:  1.0462722731883263
Promedio de crecimiento medio del número de casos de muerte en Colombia:  inf
Mediana de crecimiento medio del número de casos de muerte en Colombia:  1.0374149659863945

MODELOS DE PREDICCIÓN COLOMBIA

CASOS CONFIRMADOS

Modelo ARIMA (Usando Auto-ARIMA)

In [18]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
model_scores=[]
In [19]:
model_arima= auto_arima(model_train["Acum_confirmados"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_confirmados"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=3162.411, Time=0.06 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=3086.168, Time=0.29 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=3088.137, Time=0.30 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=3089.978, Time=0.51 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=3121.211, Time=0.06 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=3088.084, Time=0.56 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=3087.422, Time=0.68 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=3089.360, Time=0.77 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=3110.711, Time=0.07 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=3089.993, Time=0.66 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=3089.366, Time=0.86 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=3083.649, Time=1.19 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=3110.696, Time=0.09 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=3092.158, Time=0.58 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=3091.394, Time=1.45 sec
Total fit time: 8.157 seconds
Out[19]:
ARIMA(order=(2, 2, 3), scoring_args={}, suppress_warnings=True)
In [20]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [21]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_confirmados"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_confirmados"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  24606.600700343555
In [22]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_confirmados"],
                    mode='lines+markers',name="Datos de entrenamiento para casos confirmados"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_confirmados"],
                    mode='lines+markers',name="Datos de validación para datos confirmados",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos confirmados",))
fig.update_layout(title="Predicción de casos confirmados con el modelo ARIMA de Colombia",
                 xaxis_title="Fecha",yaxis_title="Acum_confirmados",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [23]:
new_date=[]
ARIMA_model_new_prediction=[]
for i in range(1,18):
    new_date.append(df_Nuevo.index[-1]+timedelta(days=i))
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Confirmados","Predicción Modelo ARIMA"]).head()
Out[23]:
Confirmados Predicción Modelo ARIMA
0 2020-09-06 709659.525762
1 2020-09-07 717658.580524
2 2020-09-08 725590.054493
3 2020-09-09 733708.914058
4 2020-09-10 741782.687636

Modelo Prophet

In [24]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_confirmados"])),columns=['ds','y'])
In [25]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
Out[25]:
<fbprophet.forecaster.Prophet at 0x233e4e59148>
In [26]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [27]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [28]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_confirmados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_confirmados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  6186.059606767403
In [29]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [30]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x648)

CASOS FALLECIDOS

Modelo ARIMA (Usando Auto-ARIMA)

In [31]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [32]:
model_arima= auto_arima(model_train["Acum_muertos"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_muertos"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=1762.235, Time=0.03 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=1699.356, Time=0.13 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=1701.307, Time=0.22 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=1701.785, Time=0.38 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=1728.795, Time=0.12 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=1701.319, Time=0.22 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=1702.614, Time=0.36 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=1704.377, Time=0.77 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=1706.200, Time=0.18 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=1701.907, Time=0.32 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=1703.295, Time=0.48 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=1701.203, Time=0.72 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=1705.820, Time=0.24 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=1703.177, Time=0.44 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=1704.331, Time=0.86 sec
Total fit time: 5.501 seconds
Out[32]:
ARIMA(order=(0, 2, 1), scoring_args={}, suppress_warnings=True)
In [33]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [34]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_muertos"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_muertos"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  387.95245854840357
In [35]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_muertos"],
                    mode='lines+markers',name="Datos de entrenamiento para casos fallecidos"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_muertos"],
                    mode='lines+markers',name="Datos de validación para datos fallecidos",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos fallecidos",))
fig.update_layout(title="Predicción de casos fallecidos con el modelo ARIMA de Colombia",
                 xaxis_title="Fecha",yaxis_title="Acum_muertos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [36]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Fallecidos","Predicción Modelo ARIMA"]).head()
Out[36]:
Fallecidos Predicción Modelo ARIMA
0 2020-09-06 22194.256715
1 2020-09-07 22467.024643
2 2020-09-08 22741.251562
3 2020-09-09 23016.937474
4 2020-09-10 23294.082377

Modelo Prophet

In [37]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_muertos"])),columns=['ds','y'])
In [38]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
Out[38]:
<fbprophet.forecaster.Prophet at 0x233e632f9c8>
In [39]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [40]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [41]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_muertos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_muertos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  115.67658497227134
In [42]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [43]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x648)

CASOS RECUPERADOS

Modelo ARIMA (Usando Auto-ARIMA)

In [44]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [45]:
model_arima= auto_arima(model_train["Acum_Recuperados"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_Recuperados"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=3121.058, Time=0.02 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=3039.106, Time=0.20 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=3040.192, Time=0.44 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=3041.348, Time=0.70 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=3072.891, Time=0.06 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=3040.340, Time=0.48 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=3042.303, Time=1.07 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=3044.313, Time=0.92 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=3058.146, Time=0.08 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=3041.799, Time=0.49 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=3044.335, Time=0.89 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=3035.889, Time=0.66 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=3041.164, Time=0.11 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=3042.577, Time=0.22 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=3043.605, Time=0.31 sec
Total fit time: 6.672 seconds
Out[45]:
ARIMA(order=(2, 2, 3), scoring_args={}, suppress_warnings=True)
In [46]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [47]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_Recuperados"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_Recuperados"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  14148.009522068613
In [48]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_Recuperados"],
                    mode='lines+markers',name="Datos de entrenamiento para casos recuperados"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_Recuperados"],
                    mode='lines+markers',name="Datos de validación para datos recuperados",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos recuperados",))
fig.update_layout(title="Predicción de casos recuperados con el modelo ARIMA de Colombia",
                 xaxis_title="Fecha",yaxis_title="Acum_Recuperados",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [49]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Recuperados","Predicción Modelo ARIMA"]).head()
Out[49]:
Recuperados Predicción Modelo ARIMA
0 2020-09-06 544357.077408
1 2020-09-07 557513.431973
2 2020-09-08 571416.396945
3 2020-09-09 584430.972821
4 2020-09-10 597720.729017

Modelo Prophet

In [50]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_Recuperados"])),columns=['ds','y'])
In [51]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
Out[51]:
<fbprophet.forecaster.Prophet at 0x233ea38b4c8>
In [52]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [53]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [54]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_Recuperados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_Recuperados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  5885.991746294357
In [55]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [56]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x648)

CASOS ACTIVOS

Modelo ARIMA (Usando Auto-ARIMA)

In [57]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [58]:
model_arima= auto_arima(model_train["Acum_Activos"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_Activos"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=3170.698, Time=0.03 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=3110.808, Time=0.17 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=3112.509, Time=0.26 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=3114.490, Time=0.36 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=3131.734, Time=0.07 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=3112.755, Time=0.28 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=3114.156, Time=0.69 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=3108.080, Time=0.96 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=3125.243, Time=0.07 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=3114.731, Time=0.33 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=3165.862, Time=0.53 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=3095.188, Time=1.07 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=3123.482, Time=0.09 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=3116.465, Time=0.18 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=3118.279, Time=0.89 sec
Total fit time: 6.005 seconds
Out[58]:
ARIMA(order=(2, 2, 3), scoring_args={}, suppress_warnings=True)
In [59]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [60]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_Activos"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_Activos"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  8396.713063499796
In [61]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_Activos"],
                    mode='lines+markers',name="Datos de entrenamiento para casos activos"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_Activos"],
                    mode='lines+markers',name="Datos de validación para datos activos",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos activos",))
fig.update_layout(title="Predicción de casos activos con el modelo ARIMA de Colombia",
                 xaxis_title="Fecha",yaxis_title="Acum_muertos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [62]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Activos","Predicción Modelo ARIMA"]).head()
Out[62]:
Activos Predicción Modelo ARIMA
0 2020-09-06 138723.216648
1 2020-09-07 132499.627394
2 2020-09-08 127002.433751
3 2020-09-09 121908.623166
4 2020-09-10 116575.633926

Modelo Prophet

In [63]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_Activos"])),columns=['ds','y'])
In [64]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
Out[64]:
<fbprophet.forecaster.Prophet at 0x233ea0786c8>
In [65]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [66]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [67]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_Activos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_Activos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  14431.705871536658
In [68]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [69]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x648)